AI Agent

AgentWorld: Personality-Aware Reliability Evaluation for Agentic Information Retrieval

AgentWorld：面向智能体信息检索的人格感知可靠性评估

Gunja Agarwal, Arup Kumar Das, Arun Menon, Jitesh Chandra Mishra, Vignesh Divakaran

机构 * PayPal（贝宝） 纠错

专题命中 Agent评测 ：agentic(title,abstract)；agent(abstract)；tool-use(abstract)；分类 cs.AI

AI总结 AgentWorld框架整合多模块，通过三类实验验证其可评估智能体信息检索的人格感知可靠性，能发现统一测试未暴露的故障模式及轨迹级脆弱性。

Comments Agent4IR @ KDD 2026

VIABLE: A Visually Impaired Assistance Benchmark for VLM-as-a-Judge Evaluation

面向VLM-as-a-Judge评估的视障辅助基准

Yi Zhao, Siqi Wang, Zhe Hu, Yushi Li, Jing Li

机构 * Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系） 纠错

专题命中 Agent评测 ：agent(summary_cn,abstract)；workflow(abstract)；分类 cs.CL

AI总结 针对视障辅助任务中VLM-as-a-Judge评估的可靠性问题，提出VIABLE基准（含30万+样本、有效性-公正性-稳定性框架及12种失败模式分类），发现现有模型不可靠，并开发VIA-Judge-Agent方法提升诊断准确性和用户偏好。

Comments Accepted to EMNLP 2026 (Main Conference)

Model Discovery Agent: LLM-assisted Bayesian experiment design for data-efficient discovery of mechanistic world models

模型发现智能体：用于数据高效发现机制世界模型的大语言模型辅助贝叶斯实验设计

Kevin Murphy

专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI

AI总结 该研究提出模型发现智能体（MDA），结合LLM与贝叶斯机制，在少量干预下发现机制世界模型，在三类基准上实现数据高效模型学习与可靠干预预测的SOTA性能。

Comments v4: Major update! Fixed a leak in the prompts for physics and chemistry benchmarks and re-ran experiments (fortunately results did not change much), added Boxing Gym benchmark (requires generating NumPyro code), significantly simplified the figures and evaluation protocol, reframed the narrative around SMC^3, polished the presentation

Beyond OAuth: Task-Scoped Authorization for AI Agents via Natural Language Slices

PAuth - 精确任务范围授权 for 代理

Reshabh K Sharma, Linxi Jiang, Shuo Chen, Zhiqiang Lin

机构 * University of Washington（华盛顿大学） ； The Ohio State University（俄亥俄州立大学） ； Microsoft Research（微软研究院） 纠错

专题命中 Agent评测 ：AI agent(title,abstract)；agent(abstract)；分类 cs.AI

AI总结 PAuth通过隐式授权模型精确控制代理执行任务所需的操作权限，通过NL切片和信封结构确保操作合法性，实验表明其在安全和性能上均表现优异。

Training a Knowledge Base: Supervised Structure Learning for Agent-Curated Document Stores

训练知识库：智能体策划文档存储的监督结构学习

Yu Pan, Hongfeng Yu

机构 * University of Nebraska–Lincoln（内布拉斯加大学林肯分校） 纠错

专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI、cs.CL

AI总结 该研究提出监督式结构学习方法训练知识库，以智能体策划文档存储，提升动作效率与准确率，其泛化性与键覆盖相关，欠训练的存储可通过增加训练问题进一步优化。

Comments 10 pages, 4 figures, 5 tables. Submitted to IEEE BigData 2026

Delegating or Doing? Understanding User Behavior in Hybrid Human-Agent Interfaces

委托还是自行操作？理解混合人机界面中的用户行为

Gavin Dizon, Tyrone Justin Sta Maria, Jordan Aiko Deja, Yasuyuki Sumi

专题命中 Agent评测 ：agent(title,abstract)

AI总结 该研究通过被试间实验对比三种交互模式，发现混合人机界面可降低交互成本，委托行为更多反映用户个体特征而非任务需求。

Comments 9 pages, In Proceedings of the 14th International Conference on Human-Agent Interaction at Osaka, Japan on November 16-19, 2026

Molecular LLM Agents: From Architectural Design to Scientific Autonomy

分子大语言模型智能体：从架构设计到科学自主性

Jiatong Li, Wengyu Zhang, Weida Wang, Yuxuan Ren, Wei Liu, Chenyang Mao, Yuqiang Li, Yatao Bian, Changmeng Zheng, Xiaoyong Wei, Qing Li

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Shanghai AI Lab（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 Agent评测 ：agent(abstract)；tool use(abstract)；planning(abstract)；分类 cs.AI、cs.CL

AI总结 该研究提出分子LLM智能体的概念框架，从架构设计和科学自主性阶梯两方面展开，为分子领域LLM智能体的比较、设计评估及部署提供指导。

Comments 25pages

EgoErrorVQA: Assess Egocentric Comprehension Capabilities through Procedural Errors for Ego-Agentic AI

EgoErrorVQA：通过程序错误评估自我主体人工智能的以自我为中心的理解能力

Junlong Li, Junxi Li, Jianjun Gao, Chen Cai, Lap-Pui Chau, Yi Wang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 Agent评测 ：agentic(title)；agent(abstract)

AI总结 针对现有视觉智能体和VLMs忽略以自我为中心视角评估程序理解能力的问题，本文提出EgoErrorVQA任务，开发基于A2A协议的评估智能体，引入Ego-ADR框架提升模型对程序错误的理解，取得良好效果。

A study on the effects of mixed explicit and implicit communications in human-artificial-agent interactions

人类-人工智能代理交互中混合显性与隐性沟通效果的研究

Ana Christina Almada Campos, Bruno Vilhena Adorno

机构 * The University of Manchester（曼彻斯特大学） 纠错

专题命中 Agent评测 ：agent(title,abstract)

AI总结 本研究探讨了人类与人工智能代理交互中混合显性与隐性沟通的效果，发现混合沟通能提升代理的接受度和透明度，但对任务执行时间影响不显著。

Comments Main paper with 33 pages, 16 figures, 5 tables. Supplementary material with 39 pages, 44 figures, 2 tables. Submitted to Intelligent Service Robotics

Confident at the moment of action: belief miscalibration in LLM play under hidden information

行动时刻的自信：隐藏信息下大语言模型博弈中的信念校准偏差

Bhushan Kashinath Joshi

专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 该研究在隐藏信息国际象棋变体中发现，大语言模型的高置信度行动存在严重信念校准偏差，传统评估指标与信念质量脱节，仅结果评估无法检测此问题。

Cloud-OpsBench: A Reproducible Benchmark for Agentic Root Cause Analysis in Cloud Systems

Cloud-OpsBench: 一种可重现的云系统代理根本原因分析基准

Yilun Wang, Guangba Yu, Haiyu Huang, Yujie Huang, Zirui Wang, Pengfei Chen, Michael R. Lyu

专题命中 Agent评测 ：agentic(title)；分类 cs.SE

AI总结 Cloud-OpsBench 是一个用于云系统代理根本原因分析的可重现基准，通过构建确定性数字孪生，提供数据引擎、强化学习环境和诊断标准，支持下一代SRE研究。

Comments 14 pages, 3 figures

Optimizing Expert-Designed Crystal Graph Networks for Band-Gap Prediction with an Autonomous LLM Research Loop

利用自主LLM研究循环优化专家设计的晶体图网络用于带隙预测

Chenmu Zhang, Boris I. Yakobson

机构 * Department of Materials Science and NanoEngineering（材料科学与纳米工程系） 纠错

专题命中 Agent评测 ：agent(abstract)；autonomous agent(abstract)；分类 cs.AI、cs.LG

AI总结 提出一个自主LLM研究循环，在MatBench带隙基准上构建了无需外部预训练的最准确模型，超越了所有17个专家设计模型，通过实现元素对特征和空间群嵌入等已知方法。

EngiAI: Capability-Based Evaluation of Tool-Connected LLM Agents for Engineering Design

EngiAI: 面向LLM驱动工程设计的智能体框架与基准测试套件

Gioele Molinari, Florian Felten, Soheyl Massoudi, Mark Fuge

机构 * IDEAL Chair of Artificial Intelligence in Engineering Design（人工智能与工程设计理想 chair） ； ETH Zurich（苏黎世联邦理工学院） ； Autom8.build 纠错

专题命中 Agent评测 ：agent(abstract)；workflow(abstract)；分类 cs.AI、cs.LG

AI总结 提出EngiAI多智能体系统框架和包含工作流、RAG、HPC三维度的基准套件，通过监督架构协调七个专业智能体，验证了LLM在工程设计中的能力与局限。

Comments 42 pages, 17 figures, 15 tables. Extended version of work presented at the ASME 2026 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference (IDETC-CIE 2026), Houston, Texas, USA, August 23-26, 2026. Submitted to the ASME Journal of Mechanical Design

FPGAgent: An LLM-Assisted Framework for Autonomous HLS Code Generation and Verification in FPGA Environments

FPGAgent：一种用于FPGA环境中自主HLS代码生成与验证的大语言模型辅助框架

Tianyu Wang, Wenjie Wang, Jianguo Yao, Haibing Guan, Xijun Li

专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.SE

AI总结 FPGAgent是首个经成熟基准验证的任务规范到可执行HLS生成的多智能体框架，可自主生成并验证FPGA的HLS代码，在HLS-Eval基准上可综合率等指标平均提升16.9%等，大幅提升了LLM生成HLS代码的实用性。

MedPriv-Bench: Benchmarking the Privacy-Utility Trade-off of Large Language Models in Medical Open-Ended Question Answering

MedPriv-Bench：医疗开放问答中大语言模型隐私-效用权衡的基准测试

Shaowei Guan, Yu Zhai, Hin Chi Kwok, Jiawei Du, Xinyu Feng, Jing Li, Harry Qin, Vivian Hui

专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.CL

AI总结 MedPriv-Bench首次提出医疗开放问答中评估隐私保护与临床效用的基准，通过多代理人机协同流程生成敏感医疗情境，利用预训练RoBERTa-NLI模型量化数据泄露，揭示大语言模型在隐私与效用间的普遍权衡。

Comments Accepted to EMNLP 2026 Main Conference

Massive-STEPS: Massive Semantic Trajectories for Understanding POI Check-ins -- Dataset and Benchmarks

Massive-STEPS: 用于理解POI签到的大量语义轨迹 -- 数据集和基准测试

Wilson Wongso, Hao Xue, Flora D. Salim

机构 * University of New South Wales（新南威尔士大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

专题命中 Agent评测 ：agent(abstract)；planning(abstract)；分类 cs.LG

AI总结 Massive-STEPS通过提供大规模、公开的POI签到数据集和基准测试，推动人类移动性和POI轨迹建模的可重复研究。

Comments Accepted to SIGSPATIAL 2026

Temporal Property-driven Design Space Exploration with Reinforcement Learning for Cyber-Physical Systems

面向网络物理系统的、基于时间属性驱动的强化学习设计空间探索

Tagir Fabarisov, Maxime Cordy

专题命中 Agent评测 ：agent(abstract)；workflow(abstract)

AI总结 该研究针对网络物理系统设计空间探索的难题，提出基于强化学习的时间属性驱动工作流，在矿用泵CPS案例中，其引导搜索需更少仿真次数即可找到最优设计。

Comments Accepted manuscript for IECON 2026 - 52nd Annual Conference of the IEEE Industrial Electronics Society, Doha, Qatar, 18-21 October 2026

Profit Redistribution in a TANK Model with Price and Wage Rigidities: An Analytical Benchmark and an Own-Lag Comparison

具有价格与工资刚性的TANK模型中的利润再分配：一个分析基准及自身滞后对比

Kenji Miyazaki

专题命中 Agent评测 ：agent(abstract,abstract_cn)

AI总结 本文在含价格工资刚性的TANK模型中分析利润再分配，构建aggregate-lag基准，对比自身滞后与aggregate-lag设定，发现货币冲击影响产出通胀利润，手头拮据主体占比及时间设定会改变相关响应与持续性。

Comments 50 pages, 16 figures

On the Convergence of a Noisy Gradient Method for Non-convex Distributed Resource Allocation: Saddle Point Escape

非凸分布式资源分配的带噪梯度方法收敛性：鞍点逃逸

Lei Qin, Ye Pu

专题命中 Agent评测 ：agent(abstract,abstract_cn)

AI总结 针对非凸分布式资源分配问题，本文在拉普拉斯加权梯度下降基础上加入随机扰动以实现鞍点逃逸，证明了二阶收敛性，实验显示其性能优于标准加权梯度下降。

From Gradient-Boosted Trees to Deep Recommenders: Practical Lessons from Migrating a Production Customer Support Recommender

从梯度提升树到深度推荐器：迁移生产环境客户支持推荐器的实践经验

Sonia Sharma, Jeyendran Balakrishnan, Shreya Rajpal, Swapnil Parekh, Nagaraj Janardhana, Andrew Mattarella-Micke

机构 * Intuit（英图易公司） 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文介绍了将生产环境客户支持推荐系统从梯度提升树迁移到成对二元深度推荐器的实践，通过多种技术优化后，该方法在对话后期的推荐性能优于CatBoost基线。

Comments 10 pages

Anatomy of a Scam Call: What 10,000 real scam and spam calls reveal about how phone scammers operate

诈骗电话剖析：10000个真实诈骗与垃圾电话揭示电话诈骗者的运作方式

Ethan Traister, Ankit Raj, Jiaqi Gan, Xingyu Shen, Tyler Wu, Yuchen Zhou, Tommy Duong, Kidus Zewde, Siying Chen, Simiao Ren

专题命中 Agent评测 ：agent(abstract)；分类 cs.CL、cs.LG

AI总结 该研究通过分析10211个真实电话数据，揭示诈骗电话遵循办公时间规律，会针对目标年龄调整施压程度但固定索要内容，且仅从开场话术即可早期检测，词袋分类器表现与微调模型相当。

Comments 19 pages, 7 figures

A Human-Factors Guided Cognitive Model of Visuospatial Complexity in Embodied Active Vision

面向具身主动视觉的、由人因因素引导的视觉空间认知复杂度模型

Vasiliki Kondyli, Jakob Suchan, Mehul Bhatt

专题命中 Agent评测 ：agent(abstract)；分类 cs.AI

AI总结 该研究提出一种多模态复杂度分析框架，以具身认知和主动视觉理论为基础，结合人因因素，为日常驾驶场景下视觉空间复杂度的表征及相关数据集构建提供理论支撑。

Comments Preprint; AIC 2025: Artificial Intelligence and Cognition

Towards LLM-Enhanced Android Taint Analysis

面向大语言模型增强的Android污点分析

Nicholas Miazzo, Marco Alecci, Jordan Samhi, Jacques Klein, Eleonora Losiouk

专题命中 Agent评测 ：agentic(abstract)；分类 cs.SE

AI总结 本文探究商用LLM能否有效推理Android应用的污点流，提出智能体交互策略，在DroidBench基准上Gemini-3 Flash的F1分数达0.96（优于FlowDroid的0.55），还能识别真实应用中FlowDroid未发现的潜在数据泄露，可补充传统静态污点分析。

Resilience Matters for Embodied Agents System: New Metrics, Systematic Evaluation, and Optimization

弹性对具身智能体系统的重要性：新指标、系统评估与优化

Yapeng Liu, Yuanzhao Zhai, Xudong Gong, Dawei Feng, Bo Ding, Lin Wang, Huaimin Wang

机构 * National University of Defense Technology（国防科技大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.AI

AI总结 该研究针对具身智能体系统忽略弹性属性的问题，提出弹性评估框架与指标集，经400项家庭任务实验验证其诊断优化效果，揭示弹性特征间的权衡关系。

Comments 12 pages, 5 figures

TrustShiftProbe: Characterizing, Benchmarking, and Defending Staged Trust Attacks on MCP Servers

TrustShiftProbe：对MCP服务器上的阶段性信任攻击进行表征、基准测试与防御

Mehrdad Rostamzadeh, Sidhant Narula, Mohammad Ghasemigol, Daniel Takabi

专题命中 Agent评测 ：agent(abstract)；分类 cs.AI

AI总结 本研究针对MCP服务器的阶段性信任攻击提出TrustShiftProbe框架，建立威胁模型、攻击引擎与防御机制SHIELD，使攻击成功率从69.5%降至42.7%

TRACE: Transition-Aware Residual Control for Multi-Objective Materials Discovery

TRACE：面向多目标材料发现的过渡感知残差控制

Kang Zhou, Yujia Tong, Yong Tao, Jingling Yuan

机构 * Wuhan University of Technology（武汉理工大学） 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.AI

AI总结 该研究针对LLM智能体多目标材料发现中局部优化困难的问题，提出TRACE框架，通过记录编辑过渡聚合证据估计编辑效果，在对比实验中提升了宏平均命中率。

MortarBench: Evaluating Mortgage Loan Origination Agents

MortarBench: 评估抵押贷款发起代理

Matthew Toles, Yunan Lu, Manav Munjal, Bojun Liu, Yuanhao Deng, Stephanie Selig, Derek Rindner, Cheng Li, Zhou Yu

机构 * Columbia University（哥伦比亚大学） ； Tidalwave 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.LG

AI总结 提出MortarBench基准，通过金融数据合成与变异管道生成覆盖边缘案例的示例，评估大语言模型在贷款发起任务中的表现，发现模型准确率低且存在偏见，并引入CRIT校准框架提升准确率至80.5%。

Adaptive GR(1) Specification Repair for Liveness-Preserving Shielding in Reinforcement Learning

自适应GR(1)规范修复用于强化学习中的存活保持防护

Tiberiu-Andrei Georgescu, Alexander W. Goodall, Dalal Alrajeh, Francesco Belardinelli, Sebastian Uchitel

机构 * Imperial College London（伦敦帝国理工学院） ； Universidad de Buenos Aires（布宜诺斯艾利斯大学） 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.AI

AI总结 本文提出基于GR(1)规范的自适应防护框架，通过在线修复规范实现环境假设违反时的安全与存活保持。

Comments Accepted at NeSy 2026

How Order-Sensitive Are LLMs? OrderProbe for Deterministic Structural Reconstruction

大语言模型对顺序敏感性如何？OrderProbe用于确定性结构重建

Zhaolu Kang, Yingjie He, Kehan Jiang, Leqi Zheng, Jiachen Qian, Qianyuan Zhang, Chunlei Meng, Yujie Feng, Yuan Wang, Stephen Dou, Aming Wu, Pengxiang Zhao, Jiaxin Liu, Guansu Wang, Zeyu Zhang, Lei Wang, Qishi Zhan, Xiaomin He, Meisheng Zhang, Jianyuan Ni, Richeng Xuan

机构 * Peking University（北京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； City University of Hong Kong（香港城市大学） ； Fudan University（复旦大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Marquette University（马凯特大学） ； Juniata College（朱尼阿特学院） 纠错

专题命中 Agent评测 ：planning(abstract)；分类 cs.CL

AI总结 研究通过OrderProbe基准评估大语言模型对输入顺序的敏感性，发现即使在前沿模型上，结构重建仍面临挑战，且语义能力与结构鲁棒性存在脱节。

Comments EMNLP 2026 Findings

The Paradox of Strategic Altruism

策略性利他主义的悖论

Foivos Savva, Michele Lombardi, Ritesh Jain

专题命中 Agent评测 ：agent(abstract)

AI总结 该研究探讨策略性利他主义的贝格均衡能否作为高效制度设计的行为基础，发现其虽可解决囚徒困境，但无法实现弱帕累托最优规则，且贝格可实施性要求高于纳什可实施性，存在策略性利他主义的悖论。